多目標貝氏最佳化新技術CTD亮相：446項對比測試中逾七成取得優勢

研究團隊於2026年9月11日發表將多目標貝氏最佳化的收斂與多樣性解耦為兩階段的「先收斂後多樣化（CTD）」技術。在446項與既有最先進演算法的一對一測試中，該架構取得72.9%的統計優勢，為運算資源受限的人工智慧調優環境提供全新搜尋效率解決方案。

背景

數學最佳化（Mathematical optimization，亦稱數學規劃）是從可用備選方案集合中，依據特定準則挑選最佳元素的學術領域，主要分為離散最佳化與連續最佳化兩大子領域。數百年來，此類問題普遍存在於電腦科學、工程學、作業研究與經濟學等定量分析領域中 [2]。

多目標貝氏最佳化（Multi-Objective Bayesian Optimisation）常被用於高效探測評估成本高昂的黑箱函數。其核心目標在於同時達成逼近柏拉圖前緣（Pareto front）的「收斂」，以及使解均勻分布於整個前緣的「多樣性」。然而，既有演算法普遍試圖在單一步驟中同時兼顧引導搜尋逼近前緣並維持非支配解集合，在計算預算充裕時有效，但在極度受限的環境下，往往無法生成足夠解以同時涵蓋整座前緣 [1]。

為克服結構性限制，研究學者 Chao Jiang、Yueling Huang 與 Miqing Li 於2026年9月11日向學術預印本平台 arXiv 提交論文（編號：arXiv:2609.13396，類別：cs.AI、stat.ML），正式提出「先收斂後多樣化」（Converge Then Diversify, CTD）架構，將搜尋流程拆解為兩個獨立階段 [1]。

關鍵數據

研究團隊利用常見的獲取函數建構出2種實例，在涵蓋極度受限預算與高維度問題的446項一對一對比實驗中，統計評估結果如下 [1]：

• 論文規格：全篇26頁，包含4張圖表，檔案大小為921KB，提交時間為2026年9月11日 18:04:56 UTC [1]。
• 統計顯著優勢：佔比 72.9%（446項中換算約 325項）[1]。
• 達到同等水準：佔比 21.1%（446項中換算約 94項）[1]。
• 表現處於劣勢：佔比 6.1%（446項中換算約 27項）[1]。
• 優良與同等合計：達 94.0%（計算式：446 × (0.729 + 0.211) = 419.24項，約 419項）[1]。

實質影響

此技術主要影響面臨運算預算極度吃緊或高維度問題的人工智慧（AI）研發團隊與工程人員。在進行模型輕量化等需同時兼顧目標效能與推論速度的工作時，CTD 架構能在更少的迭代次數下定位柏拉圖最佳解 [1]。

相較於傳統方法在每個步驟重複計算收斂與多樣性而消耗搜尋配額，CTD 的第1階段先快速引導搜尋收斂至前緣單一點，第2階段再將解擴展分散至整體前緣。此機制有效降低了評估次數，直接減少租用雲端加速硬體的運算時間與租賃開銷。

後續展望

截至論文發表，arXiv 正在透過 DataCite 辦理數位物件識別碼（DOI）註冊程序，目前系統標註為「arXiv-issued DOI via DataCite (pending registration)」待註冊狀態 [1]。

學術社群目前尚未公布開源程式碼釋出時程或正式學術會議的錄取結果。2026年9月11日提交的第一版（v1）論文取得正式 DOI 登記，將是該研究推進的下一個明確時間節點 [1]。

來源

1. Converge Then Diversify: Decoupling Convergence and Diversity in Multi-Objective Bayesian Optimisation — arXiv cs.AI 신규 논문
2. Mathematical optimization — Wikipedia (en)